群体智能模式 (Swarm Pattern)

去中心化的多 Agent 协作，通过消息传递实现集体智能。

群体智能模式使用一群专业 Agent，通过消息传递进行协作，无需中央协调器。Agent 之间共享信息、在彼此工作的基础上构建，最后通过综合器得出集体结论。

这种模式非常适合需要同时从多个角度探索复杂问题的情况，没有任何一个 Agent 拥有所需的全部专业知识。

适用场景

适合使用	不适合使用
需要多样化专业知识的复杂问题	有唯一正确答案的任务
头脑风暴和创意构思会议	时间关键的实时响应
多个视角能增加价值的任何问题	简单的、定义明确的任务
需要广泛覆盖的研究和分析	需要严格控制流程的情况

架构

flowchart TD
    A([开始]) --> B["initialize\n— 任务初始化 —"]
    B --> C["agent_turn\n— 所有 Agent 贡献 —"]
    C --> D{更多轮次?\nrounds < max_rounds?}
    D -- "是" --> C
    D -- "否" --> E["aggregator\n— 综合结论 —"]
    E --> F([结束])

    subgraph agents["Agent 群体"]
        C1["Agent A"]
        C2["Agent B"]
        C3["Agent C"]
    end

    C --> agents
    agents --> C

    style A fill:#e1f5ff
    style F fill:#e8f5e9
    style B fill:#fff3e0
    style E fill:#f3e5f5

状态 (State) 在图中流转：

字段	类型	说明
`task`	`str`	输入任务
`agents`	`list[dict]`	Agent 定义列表 [{name, specialty}]
`messages`	`list[dict]`	所有交换的消息 [{from_agent, content}]
`rounds`	`int`	当前轮次编号
`max_rounds`	`int`	最大协作轮次
`termination_signal`	`str`	"" = 继续，"converged"/"max_rounds" = 结束
`final_conclusion`	`str`	综合后的结论

核心代码

from patterns.swarm.pattern import SwarmPattern

pattern = SwarmPattern(max_rounds=3)

agents = [
    {"name": "策略师", "specialty": "战略规划"},
    {"name": "技术专家", "specialty": "技术趋势"},
    {"name": "经济学家", "specialty": "市场经济"},
]

result = pattern.run(
    task="分析科技行业远程工作的未来",
    agents=agents,
)

print(result["final_conclusion"])  # 集体智能综合

配置参数

参数	默认值	说明
`model`	`"gpt-4o-mini"`	OpenAI 模型名称（提供 `llm` 时忽略）
`llm`	`None`	预配置的 LangChain `BaseChatModel` 实例
`max_rounds`	`3`	最大协作轮次

快速开始

# 1. 克隆并安装依赖
git clone https://github.com/your-org/agentflow.git
cd agentflow && uv sync

# 2. 配置 API Key
echo "OPENAI_API_KEY=sk-..." > .env

# 3. 运行示例
uv run python -m patterns.swarm.example

示例输出

============================================================
SWARM PATTERN -- 集体智能
============================================================

任务：分析科技行业远程工作的未来
Agent：策略师、技术专家、经济学家
轮次：3

============================================================
最终结论：
============================================================
# 集体分析：远程工作的未来

## 战略视角（策略师）
远程工作正在从根本上重塑组织设计。
企业必须重新思考人才招聘、绩效管理
和公司文化...

## 技术视角（技术专家）
异步协作工具、VR 会议和分布式版本控制
等新兴技术正在使远程工作越来越可行...

## 经济视角（经济学家）
向远程工作的转变正在创造新的经济
差距和机会...

## 综合结论
[综合器的整合分析...]

工作原理详解

初始化： 群体通过任务和 Agent 定义进行初始化。生成开场陈述。
Agent 贡献： 每个 Agent 审查所有先前的消息，并添加其专业视角。
协作轮次： 多轮 Agent 贡献，每个 Agent 在先前贡献的基础上构建。
终止： 经过 max_rounds 轮后，群体终止并转移到综合器。
综合： 最终综合器将所有贡献整合成连贯的结论。

与其他模式的对比

维度	群体智能	专家链	辩论模式
协调方式	去中心化	顺序链式	主持人协调
Agent 关系	点对点	顺序传递	对抗性
最佳场景	多样化视角	构建专业知识	对立观点
输出	集体综合	专家分析	输赢判定
实现复杂度	中高	中等	中等

群体智能模式最适合需要多样化 Agent 作为对等体协作、无需中央协调的情况。需要顺序构建专业知识时使用专家链模式。需要探索对立观点时使用辩论模式。

运行测试

uv run pytest patterns/swarm/tests/ -v

测试使用 Mock LLM，无需 API Key。

文件结构

patterns/swarm/
├── __init__.py
├── pattern.py          # 核心 SwarmPattern 类
├── example.py          # 一键可运行的演示
├── diagram.mmd          # Mermaid 架构图源文件
├── README.md           # 英文文档
├── README_zh.md        # 本文件（中文文档）
└── tests/
    ├── __init__.py
    └── test_swarm.py